Fugu-MT 論文翻訳(概要): Breaking High Confidence: Practical Face Impersonation under High-Security Thresholds

論文の概要: Breaking High Confidence: Practical Face Impersonation under High-Security Thresholds

arxiv url: http://arxiv.org/abs/2608.20884v1
Date: Fri, 21 Aug 2026 09:02:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-24 14:49:32.481051
Title: Breaking High Confidence: Practical Face Impersonation under High-Security Thresholds
Title（参考訳）: 高信頼を破る:高信頼感の下での実践的な顔の偽装
Abstract要約: 顔認識システム(FRS)は、銀行アプリケーションや空港のIDチェックなど、認証のための重要な現実世界のサービスにますます導入されている。高セキュリティのしきい値設定下でのFRSに対する初の偽装攻撃を提案する。
参考スコア（独自算出の注目度）: 5.154142466077452
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Face recognition systems (FRSs) are increasingly deployed in critical real-world services for authentication, such as banking applications and airport identity checks, necessitating stringent security configurations. Consequently, the security vulnerabilities of FRSs have garnered significant attention. While existing studies have extensively explored FRS security, prior analyses have primarily focused on medium-security threshold settings, which are not directly applicable to FRSs operating under high-security constraints. In this paper, we propose the first successful impersonation attack against FRSs under high-security threshold settings. Among various threat models, we focus on a practical and challenging scenario: score-based impersonation attacks under strict rate limits. To precisely evaluate the feasibility of such attacks, we provide a principled mathematical analysis characterizing the gaps in each stage of the attack pipeline. Our method significantly enhances impersonation capabilities in score-based attacks, even under elevated decision thresholds. On the LFW benchmark, with a budget of only 100 confidence score queries per identity, our attack achieves an impersonation success rate exceeding 92\% against Amazon Rekognition at a confidence score threshold of 99-recommended setting for law enforcement scenarios. We further observe consistently robust performance across multiple open-source FRSs evaluated at similarly stringent decision thresholds.
Abstract（参考訳）: 顔認識システム(FRS)は、銀行アプリケーションや空港の身元確認、厳格なセキュリティ設定の必要性など、認証のための重要な現実世界のサービスにますますデプロイされている。その結果、FRSのセキュリティ脆弱性は大きな注目を集めている。既存の研究では、FRSのセキュリティを広範囲に調査してきたが、以前の分析は主に中級セキュリティのしきい値の設定に焦点を当てており、高いセキュリティ制約の下で運用されているFRSには直接適用できない。本稿では,高セキュリティのしきい値設定下でのFRSに対する最初の偽装攻撃を提案する。様々な脅威モデルの中で、我々は、厳格なレート制限下でのスコアベースの偽装攻撃という、実践的で挑戦的なシナリオに焦点を当てている。このような攻撃の有効性を正確に評価するために,攻撃パイプラインの各段階におけるギャップを特徴付ける数学的解析法を提案する。本手法は,高い判定しきい値下であっても,スコアベース攻撃における偽装能力を大幅に向上させる。 LFWベンチマークでは、個人単位の信頼度スコアクエリが100という予算で、法執行シナリオの信頼度スコア閾値99でAmazon Rekognitionに対して、偽装の成功率が92\%を超えることを達成しています。同様に厳密な決定しきい値で評価された複数のオープンソースFRSに対して、一貫して頑健な性能を観察する。

関連論文リスト

Casting the Net! Revisiting MasterFace Impersonation Attacks [5.609125617225078]
顔認証は顔認識システム(FRS)の基本的なセキュリティ脅威であるパブリックな商用APIへの正当なアクセスさえも、敵がMasterFacesを通じて偽造率を増幅できることを示します。当社の攻撃は、複数のオープンソースおよび商用APIベースのFRSの偽造率を、少なくとも30の認証トライアルで最大9.5$times$まで向上させることを実証している。
論文参考訳（メタデータ） (2026-08-07T08:28:03Z)
Adaptive and Explicit safe: Triggering Latent Safety Awareness in Large Reasoning Models [31.940554924036807]
大規模推論モデル(LRM)は、高度なジェイルブレイクや直接的な有害なクエリに対して非常に脆弱である。我々は、安全分析とガイダンスをトリガーする安全なタグを明示的に誘導するために、Supervised Fine-Tuning (SFT) を採用している。また、安全分析およびガイダンスの正確性と安定性をさらに高めるために、直接選好最適化(DPO)を適用した。
論文参考訳（メタデータ） (2026-06-15T14:51:34Z)
A New Framework for Cybersecurity Refusals in AI Agents [52.94784168139071]
攻撃的セキュリティの文脈において、拒絶境界を確立するための最初の枠組みを提示する。本研究では,現在のLLMエージェントがWebベースの攻撃的セキュリティシナリオにおいて,適切な拒絶境界にどのように準拠しているかを評価するために,このフレームワークを適用した。
論文参考訳（メタデータ） (2026-05-31T15:39:39Z)
False Security Confidence in Benign LLM Code Generation [0.0]
このメモは、補完的だが異なるフレーミングを紹介している。偽セキュリティ信頼(FSC)。 FSCは、通常の非攻撃フレーム生成タスクにおいて、測定ファーストの観点から同じ表面現象を研究する。我々はFSCレートを,機能的に正しい出力セット内のセキュリティ障害の頻度として定式化する。
論文参考訳（メタデータ） (2026-04-18T14:52:26Z)
SecPI: Secure Code Generation with Reasoning Models via Security Reasoning Internalization [50.71047638695205]
RLM(Reasoning Language Model)は、プログラミングにおいてますます使われている言語モデルである。しかし、最先端のRLMでさえ、生成されたコードに重大なセキュリティ脆弱性を頻繁に導入する。我々は、構造化されたセキュリティ推論を内部化するためのRTMを教える微調整パイプラインであるSecPIを提案する。
論文参考訳（メタデータ） (2026-04-04T04:29:11Z)
ReasAlign: Reasoning Enhanced Safety Alignment against Prompt Injection Attack [52.17935054046577]
本稿では、間接的インジェクション攻撃に対する安全性アライメントを改善するためのモデルレベルのソリューションであるReasAlignを提案する。 ReasAlignには、ユーザクエリの分析、競合する命令の検出、ユーザの意図したタスクの継続性を維持するための構造化された推論ステップが組み込まれている。
論文参考訳（メタデータ） (2026-01-15T08:23:38Z)
SecureCAI: Injection-Resilient LLM Assistants for Cybersecurity Operations [0.0]
本稿では,SecureCAIについて紹介する。SecureCAIは,セキュリティに配慮したガードレールによって,憲法上のAI原則を拡張した新しい防御フレームワークである。 SecureCAIはベースラインモデルと比較して攻撃成功率を94.7%削減する。
論文参考訳（メタデータ） (2026-01-12T18:59:45Z)
GSPR: Aligning LLM Safeguards as Generalizable Safety Policy Reasoners [60.49708196646694]
大規模言語モデル(LLM)は、様々な領域にわたる多くのアプリケーションに統合されつつある。本稿では,安全でない入力プロンプトとLLMの出力を不正に検出する汎用安全推論器GSPRを提案する。我々のGSPRは、安全とカテゴリー予測の両方のタスクにおいて、既存の安全ガードレールの推論能力を大幅に改善する。
論文参考訳（メタデータ） (2025-09-29T08:07:45Z)
Rethinking the Vulnerabilities of Face Recognition Systems:From a Practical Perspective [53.24281798458074]
顔認識システム(FRS)は、監視やユーザー認証を含む重要なアプリケーションにますます統合されている。最近の研究によると、FRSの脆弱性は敵(例えば、敵パッチ攻撃)やバックドア攻撃(例えば、データ中毒の訓練)であることが明らかになっている。
論文参考訳（メタデータ） (2024-05-21T13:34:23Z)
ASSERT: Automated Safety Scenario Red Teaming for Evaluating the Robustness of Large Language Models [65.79770974145983]
ASSERT、Automated Safety Scenario Red Teamingは、セマンティックなアグリゲーション、ターゲットブートストラップ、敵の知識注入という3つの方法で構成されている。このプロンプトを4つの安全領域に分割し、ドメインがモデルの性能にどのように影響するかを詳細に分析する。統計的に有意な性能差は, 意味的関連シナリオにおける絶対分類精度が最大11%, ゼロショット逆数設定では最大19%の絶対誤差率であることがわかった。
論文参考訳（メタデータ） (2023-10-14T17:10:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。